Инженерия памяти для AI-агента: как собрать автономного аналитика рынка

Представьте сотрудника, который каждое утро приходит на работу с полностью стёртой памятью. Он умный, быстрый, всё умеет — но не помнит, что делал вчера. Каждую задачу он начинает с нуля.

Примерно так сегодня работает ИИ у большинства. Вы просите его изучить конкурентов — получаете отличный отчёт, копируете, закрываете чат. Через неделю нужно то же самое — и вы снова просите изучить конкурентов с нуля. Ответ опять хороший. Но вся проделанная работа исчезла: она никак не сделала следующую лучше.

Чинится это не более длинным и хитрым промптом. Модели нужно три вещи: актуальная картина того, что вы уже знаете, способ сравнить с ней новые данные и правило, по которому полезные уточнения остаются на будущее. Это и называется инженерией памяти.

Результат — почти самостоятельный помощник-аналитик. Он каждый день сам проверяет конкурентов, помнит каждый их запуск и каждое изменение цены и присылает вам короткую сводку: что поменялось, почему это важно и что с этим делать. А та же система потом слушает, что повторяют ваши клиенты, и не даёт заново перекапывать то, что уже выяснено.

Главная идея: не промпт, а память

Современная модель и так умеет много: читать сайты, работать с файлами, писать код, запускаться по расписанию. С самой работой проблем нет. Спроектировать нужно другое — что останется, когда задача закончится.

У всех примеров ниже одна и та же простая схема из пяти шагов:

что-то запускает задачу → модель читает заданные источники → сравнивает с тем, что знает → выдаёт полезное → вы поправляете, и правка остаётся.

Разберём по-человечески. Первое — задачу что-то запускает: наступило утро, закончился звонок с клиентом или пришёл новый запрос. Второе — модель смотрит не «весь интернет», а конкретный список источников, который вы задали. Третье — сравнивает новое с тем, что уже знает. Четвёртое — отдаёт то, чем можно пользоваться: сводку, сигнал, обновление. Пятое — вы её поправляете, и эта поправка меняет следующий запуск, а не тонет в отредактированном абзаце. В архитектуре агентных систем это называют ребром обучения: принятый результат возвращается не в текст ответа, а в правила, по которым работа режется на шаги.

Память делится на три отдельные «тетради» — по конкурентам, по клиентам и по исследованиям, — но правила ведения у них одни. Так факты не путаются между собой.

Правило простое: соберите один сценарий, доведите его до толку — и только потом беритесь за следующий. Не всё сразу.

Сценарий 1. Ежедневная сводка по конкурентам

Возьмём конкретику. Скажем, у вас сеть пекарен, и вы хотите держать руку на пульсе пяти соседних конкурентов и пары крупных сетей: их акции, новые позиции в меню, цены, отзывы.

Обычно это выглядит так: раз в неделю кто-то из команды руками обходит их сайты и соцсети, устаёт на третьем и бросает. С памятью это делает модель — каждое утро, к открытию.

В 7 утра она открывает ваш список наблюдения и вчерашнюю картину рынка, проверяет всех и возвращает только то, что реально изменилось. Готовая сводка отвечает на пять вопросов: что нового появилось, какой прежний факт устарел, где источники противоречат друг другу, на какое ваше решение это влияет и что стоит сделать в ответ.

Сначала список, потом браузер

Не отправляйте модель «изучать рынок» — получите пересказ рынка. Дайте ей чёткий список: кого смотреть и какие изменения ловить — запуски, цены, акции, новые услуги, отзывы. И где смотреть: сайт, страница цен, соцсети, карточки на картах. Не просите помнить всё подряд — ей не нужны каждый сторис и мелкая правка на сайте. Нужны изменения, которые могут повлиять на ваши цены, меню или продвижение.

Для каждой находки модель хранит шесть простых полей: кто это сделал, что именно поменялось, где вы это увидели, когда, почему это важно и что делать. Этого достаточно, чтобы находка была не «инфошумом», а поводом для решения.

Просите не «что происходит», а «что изменилось»

Разница в одном слове, но она решает всё. Вопрос «что происходит у конкурентов?» даёт очередной обзор. Вопрос «что изменилось со вчера?» даёт то, ради чего всё и затевалось.

Пример. Вчера в вашей картине было записано: у конкурента круассан стоит 120 ₽. Сегодня на его сайте — 160 ₽. Обычный отчёт просто снова опишет ассортимент. А ваша система вернёт изменение: было 120 → стало 160, источник — страница цен, проверено сегодня, почему важно — можно спокойно поднять свою цену или обыграть это в рекламе. Старая цена уходит в историю, новая становится текущей, а в утренней сводке вы видите именно разницу.

Факт должен заслужить место в памяти

Не каждая находка достойна переписать вашу картину рынка. Новая акция, которую видно и на сайте, и в соцсетях, — можно занести. Цена, которая на двух страницах конкурента разная, — на проверку, а не в базу. Слух из одного telegram-канала — подождёт подтверждения.

Здесь работает простое правило: важен не «ИИ уверен», а на чём это основано. У каждой находки есть статус, и он решает её судьбу — от «новое» до «устарело, надо перепроверить».

Каждая ваша правка учит систему

Первая версия обязательно что-то напутает. Важно, куда пойдёт ваша поправка. Пропустила открытие нового конкурента, потому что его не было в списке — добавьте его в список. Спутала две похожие сети — поправьте, кто есть кто. Цепляется за старую цену — велите проверять цены чаще. Сводка забита мелочью — поднимите планку «что считать важным».

Разница принципиальная. Если вы просто перепишете сегодняшний абзац — поможете только сегодняшней сводке. Если поправите список, связь или правило — поправка встроится в завтрашнюю работу и будет помогать каждый день.

Сценарий 2. Услышать, что повторяют клиенты

Клиенты говорят продажам, почему сомневаются, поддержке — что бесит, а в отзывах — чего им не хватает. Беда в том, что каждый разговор оседает в своём месте: звонок — в CRM, жалоба — в чате поддержки, отзыв — на картах. Общей картины нет ни у кого.

Этот сценарий запускается, когда появляется новый сигнал: закончился звонок, закрылся тикет, пришёл отзыв или кто-то отписался с комментарием. Модель читает его и сравнивает с общей картиной по клиентам: какие возражения повторяются, что чаще всего просят, из-за чего уходят.

Пример. «Долго идёт заказ» всплыло в двух звонках — само по себе ещё ни о чём. Но когда та же претензия появляется в отзывах и в причинах отказов у небольших клиентов — картина меняется: это уже не случайность, а узкое место, и видно, у какого сегмента. Одна жалоба — это анекдот. Повтор в разных местах — уже сигнал.

Важный предохранитель: новый сигнал может дополнить картину, но не переписать её молча. Модель предлагает вывод и показывает, на каких именно звонках и отзывах он основан, — а решение «да, теперь считаем это правдой» принимаете вы. Ошиблась с сегментом — поправьте, и следующая недельная сводка уже учтёт это.

Сценарий 3. Не исследовать одно и то же дважды

Почти любое исследование команда начинает не с нуля — а с знания, которое где-то уже есть: в старых презентациях, закрытых чатах, забытых заметках. Просто найти его невозможно, поэтому проще «загуглить заново».

Здесь модель перед началом подтягивает только то, что нужно этой задаче: проверенные источники по теме, текущие выводы, что осталось спорным, какие решения уже принимали и какие вопросы висят открытыми. И на выходе — не очередной обзор с нуля, а именно новое: что подтвердилось, что изменилось, что всё ещё под вопросом.

Пример. В прошлый раз так и не выяснили: конкурент работает с корпоративными клиентами сам или через партнёров? Вопрос остался открытым. Через месяц у него появляется страница для корпоративных клиентов — модель прикрепляет её к старому вопросу и говорит: похоже, ответ меняется. Вы подтверждаете — и вывод, источники и открытый вопрос обновляются. Следующее исследование стартует уже с этого места, а не с нуля.

Что это меняет

Вы, по сути, собрали одну и ту же идею трижды: система помнит движения конкурентов, повторы у клиентов и то, что уже выяснено в исследованиях. У всех трёх — четыре простые задачи:

• Помнить — хранить полезные факты с источником и датой.
• Обновлять — менять картину, когда появилось свидетельство посильнее.
• Забывать аккуратно — держать старое в истории, но не выдавать за текущее.
• Вспоминать вовремя — доставать ровно то, что нужно текущей задаче.

Та же механика работает не только на рынке: AI-компаньон, который помнит собеседника, собран ровно на этих пяти операциях — просто фактами там становятся не конкуренты, а человек.

Без памяти ИИ выдаёт вам череду отдельных ответов. С памятью каждый ответ делает следующий точнее — и вы перестаёте платить за то, чтобы рынок открывали заново. А чтобы несколько таких проверок шли не по очереди, а разом, их собирают в граф из параллельных задач.

С чего начать

Начните там, где чаще всего теряете нить. Сводка по конкурентам — если новости о рынке доходят до вас с опозданием. Сигналы клиентов — если ценные жалобы и просьбы растворяются между отделами. Исследования — если команда по кругу выясняет одно и то же.

Не беритесь за все три разом. Возьмите 10 конкурентов, одну стопку клиентских разговоров или один вечный вопрос, доведите до толка за неделю правок — и только потом расширяйте.

Первый шаг: опишите один сценарий по этим пяти пунктам на своём материале — что запускает задачу, какие источники разрешены, где хранится текущая картина, что получаете на руки и куда идёт ваша правка. Это и есть первый лист вашей системы памяти.